采用优化类别集成双任务图神经网络方法提升作物产量预测的土壤评估质量

《Irrigation and Drainage》：Advancing Soil Assessment Quality for Crop Yield Prediction Using an Optimized Category Integrated Dual Task Graph Neural Network Approach

　　

摘要

en此链接指向英文部分fr此链接指向法文部分

土壤质量评估在提高农业生产力与可持续性方面发挥着重要作用，因为它是精准农业决策的关键。本研究提出了一种基于类别集成双任务图神经网络（CIDTGNN）的土壤质量评估（SAQ）与作物产量预测（CYP）新模型。该模型针对印度旁遮普邦鲁普纳加尔地区，估算了多种土壤健康参数（SHP），如土壤盐度、土壤水分（SM）和土壤有机碳（SOC），并通过融合遥感获取的Sentinel-1和Sentinel-2卫星数据与实地观测数据来预测作物产量。所设计的SAQ-CIDTGNN模型通过采用基于图的数据表示方法，在学习预测土壤健康参数的同时估算作物产量。SAQ-CIDTGNN的权重参数采用榕树生长优化（BTGO）方法进行优化，从而提高了精度。该方法优于现有的机器学习（ML）模型，包括深度学习方法，在作物产量预测中达到了R²值为0.78，且错误率显著降低。该方法在R²指标上比普通最小二乘法（OLS）回归器高出42%，平均绝对误差（MAE）和均方根误差（RMSE）分别降低了38%和39%。

摘要

en此链接指向英文部分fr此链接指向法文部分

土壤质量评估在提高农业生产力与可持续性方面发挥着重要作用，因为它是精准农业中做出明智决策的关键。本研究提出了一种基于类别集成双任务图神经网络（CIDTGNN）的土壤质量评估（SAQ）与作物产量预测（CYP）新模型。该模型针对印度旁遮普邦鲁普纳加尔地区，估算了多种土壤健康参数（SHP），如土壤盐度、土壤水分（SM）和土壤有机碳（COS），并通过融合遥感获取的Sentinel-1和Sentinel-2卫星数据与实地观测数据来预测作物产量。SAQ-CIDTGNN模型通过采用基于图的数据表示方法，在学习预测土壤健康参数的同时估算作物产量。SAQ-CIDTGNN的权重参数采用榕树生长优化（BTGO）方法进行优化，从而提高了精度。该方法优于现有的机器学习（ML）模型，包括深度学习方法，在作物产量预测中达到了R²值为0.78，且错误率显著降低。该方法在R²指标上比普通最小二乘法（OLS）回归器高出42%，平均绝对误差（MAE）和均方根误差（RMSE）分别降低了38%和39%。

利益冲突

作者声明不存在利益冲突。

数据可用性声明

本文不适用数据共享。